A Hierarchical Synergistic Deep Learning Framework Integrating Composition, Structure, and Ionic Transport for Solid-State Electrolyte Discovery
Dit artikel presenteert een hiërarchisch synergetisch deep-learningframework dat compositionele, structurele en kinetische modules integreert om databeperkingen bij multi-objectieve screening te overwinnen, waarbij succesvol 97 hoogpresterende vaste-stof elektrolyten heeft geïdentificeerd uit meer dan 30 miljoen kandidaten en heeft onthuld dat de connectiviteit van het Li-springnetwerk, in plaats van het aantal geometrische locaties, de primaire determinant is van de ionische geleidbaarheid bij kamertemperatuur.